开源Agent模型榜第一名，现在是阿里通义DeepResearch
原文中文，约5100字，阅读约需13分钟。
📝
内容提要
阿里通义DeepResearch模型在多个评测中超越OpenAI，成为开源Agent模型的领军者。该模型通过增量预训练和后训练，利用合成数据生成高质量训练集，提升推理和决策能力，已广泛应用于阿里内部项目。
🔎
延伸解读
开源模型的优势与挑战
阿里通义DeepResearch模型的开源特性使其在社区中获得了广泛关注，促进了技术的共享与合作。然而，开源也意味着需要面对来自其他开源项目的竞争，如何保持技术领先和持续创新将是未来的挑战。
数据策略的重要性
通义DeepResearch通过全合成数据的增量预训练和后训练，显著提升了模型的推理能力。这一策略不仅降低了对人工标注的依赖，还为其他AI项目提供了可借鉴的数据生成方法，强调了数据质量在模型训练中的核心地位。
多模式适应性
该模型具备ReAct模式和Heavy模式，能够适应不同复杂度的任务。这种灵活性使得通义DeepResearch在处理多样化应用场景时表现出色，尤其是在高德出行和法律智能服务等领域，展现了其广泛的应用潜力。
❓
Q&A
阿里通义DeepResearch模型的主要优势是什么？
阿里通义DeepResearch模型在多个评测中超越OpenAI，具备高质量的推理和决策能力，广泛应用于阿里内部项目。
通义DeepResearch是如何生成高质量训练数据的？
该模型通过增量预训练和后训练，利用合成数据生成高质量训练集，减少对人工标注的依赖。
通义DeepResearch模型的训练流程有哪些创新？
团队革新了训练流程，结合了Agentic CPT、RFT和强化学习，形成了新的训练范式。
通义DeepResearch模型在法律领域的应用是什么？
通义法睿作为法律智能体，提供法律问答、案例检索和合同审查等服务，满足法律用户的需求。
通义DeepResearch模型的ReAct模式和Heavy模式有什么区别？
ReAct模式适用于标准交互，而Heavy模式则用于处理复杂的多步研究任务，基于IterResearch范式。
通义DeepResearch模型在评测中取得了什么成绩？
该模型在HLE、BrowseComp-zh、GAIA等多个权威评测集上取得了SOTA成绩，表现优异。
🏷️
